Quelle est la différence entre un intervalle de confiance et un intervalle de prédiction ?

Les deux intervalles sont centrés sur la valeur prédite de Y. L’intervalle de confiance à 95 % indique où se situe probablement la moyenne de Y pour cette valeur de X ; l’intervalle de prédiction à 95 % indique où une nouvelle observation individuelle se situera probablement : il est donc toujours plus large. Saisissez une ou plusieurs valeurs de X pour obtenir les deux intervalles correspondants.

Comment savoir si la pente de la régression est significative ?

Consultez la valeur p de la pente : elle teste si la pente réelle pourrait être égale à zéro. En dessous de 0,05, X est un prédicteur significatif de Y au seuil habituel de 5 %. Le calculateur affiche la pente, son erreur type, la statistique t, la valeur p et l’intervalle de confiance à 95 %, ainsi que le test F, et rédige une phrase au format APA que vous pouvez copier.

Calculatrice de régression linéaire

Q: Comment j'interprète la pente en régression linéaire ?

La pente (b1) représente le changement de la variable dépendante Y pour chaque augmentation d'une unité de la variable indépendante X. Une pente positive indique que Y augmente lorsque X augmente, tandis qu'une pente négative indique que Y diminue lorsque X augmente. Par exemple, si la pente est 2,5, alors pour chaque augmentation d'une unité en X, Y augmente en moyenne de 2,5 unités.

Calculez l'équation de régression linéaire, la pente, l'ordonnée à l'origine, le coefficient de détermination et faites des prédictions avec une visualisation interactive en nuage de points et une explication étape par étape.

3 utilisations gratuites par jourSans inscriptionMis à jour janv. 2026

Calculatrice de régression linéaireEssayez maintenant — gratuit ▼

Essayez des ensembles de données d'exemple

📋 Collez plutôt deux colonnes d’un tableur

X dans la première colonne, Y dans la seconde ; séparez les valeurs par des tabulations, des virgules ou des espaces. La ligne d’en-tête est ignorée. Si cette zone contient des données, les deux listes ci-dessous sont ignorées.

Variable indépendante (X) - Entrez les nombres séparés par une virgule, un espace ou un saut de ligne

Variable dépendante (Y) - Doit avoir le même nombre de valeurs que X

Prédisez Y pour une valeur X (Facultatif)

Précision décimale

Embed Calculatrice de régression linéaire Widget

Calculatrice de régression linéaire

Bienvenue sur la Calculatrice de régression linéaire, un outil statistique complet qui calcule la ligne de régression des moindres carrés, le coefficient de corrélation, le coefficient de détermination, et fournit une visualisation interactive en nuage de points avec des explications étape par étape des formules. Que vous analysiez des données pour la recherche, les prévisions commerciales ou les études académiques, cette calculatrice offre une analyse statistique professionnelle.

Qu'est-ce que la régression linéaire ?

La régression linéaire est une méthode statistique fondamentale utilisée pour modéliser la relation entre une variable dépendante (Y) et une variable indépendante (X) en ajustant une équation linéaire aux données observées. La méthode trouve la meilleure ligne droite à travers les points de données en minimisant la somme des carrés des résidus (différences entre les valeurs observées et prédites).

L'équation de régression

Modèle de régression linéaire simple

$$\hat{Y} = b_0 + b_1 X$$

Où :

Y (ou Y-chapeau) = Valeur prédite de la variable dépendante
X = Variable indépendante (prédicteur)
b₀ = Ordonnée à l'origine (valeur de Y lorsque X = 0)
b₁ = Pente (changement de Y pour chaque changement unitaire de X)

Comment calculer la régression linéaire

Calcul de la pente (b₁)

Formule de la pente

$$b_1 = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2}$$

Calcul de l'ordonnée à l'origine (b₀)

Formule de l'ordonnée à l'origine

$$b_0 = \bar{y} - b_1 \bar{x}$$

Où x-barre et y-barre sont les moyennes de X et Y respectivement.

Comprendre la corrélation et le coefficient de détermination

Coefficient de corrélation (r)

Le coefficient de corrélation mesure la force et la direction de la relation linéaire entre X et Y. Il varie de -1 à +1 :

Valeur de r	Interprétation
0.9 à 1.0	Corrélation positive très forte
0.7 à 0.9	Corrélation positive forte
0.5 à 0.7	Corrélation positive modérée
0.3 à 0.5	Corrélation positive faible
-0.3 à 0.3	Peu ou pas de corrélation
-0.5 à -0.3	Corrélation négative faible
-0.7 à -0.5	Corrélation négative modérée
-0.9 à -0.7	Corrélation négative forte
-1.0 à -0.9	Corrélation négative très forte

Coefficient de détermination (R²)

Le coefficient de détermination (R²) indique la proportion de variance de Y qui est expliquée par X. Par exemple, R² = 0,85 signifie que 85 % de la variance de Y peut être expliquée par la relation linéaire avec X.

Formule du coefficient de détermination

$$R^2 = r^2 = 1 - \frac{SS_{residuel}}{SS_{total}}$$

Comment utiliser cette calculatrice

Entrez les valeurs X : Entrez vos données de variable indépendante dans la première zone de texte, séparées par des virgules, des espaces ou des sauts de ligne.
Entrez les valeurs Y : Entrez vos données de variable dépendante dans la deuxième zone de texte. Le nombre de valeurs Y doit correspondre aux valeurs X.
Prédiction (facultatif) : Entrez une valeur X pour prédire la valeur Y correspondante en utilisant l'équation de régression.
Définir la précision : Choisissez le nombre de décimales pour les résultats.
Calculer : Cliquez sur le bouton Calculer pour voir l'équation de régression, le graphique de dispersion, les statistiques de corrélation et les calculs étape par étape.

Comprendre vos résultats

Résultats principaux

Équation de régression : L'équation de la meilleure ligne d'ajustement (Y = b₀ + b₁X)
Pente (b₁) : Le taux de changement de Y pour chaque changement unitaire de X
Ordonnée à l'origine (b₀) : La valeur Y prédite lorsque X est égal à zéro
Corrélation (r) : La force et la direction de la relation linéaire
Coefficient de détermination (R²) : La proportion de variance expliquée par le modèle

Statistiques supplémentaires

Erreur-type de l'estimation : Distance moyenne des points de données à la ligne de régression
Erreur-type de la pente : Incertitude dans l'estimation de la pente
Somme des carrés : Somme totale, de régression et des carrés résiduels
Résidus : Différences entre les valeurs Y observées et prédites

Applications de la régression linéaire

Commerce et finance

Prévision des ventes en fonction des dépenses publicitaires
Prédiction des prix des actions à partir d'indicateurs de marché
Estimation des coûts en fonction du volume de production

Science et recherche

Analyse des relations expérimentales entre les variables
Étalonnage des instruments de mesure
Étude des relations dose-réponse en pharmacologie

Économie

Modélisation des relations entre l'offre et la demande
Analyse de l'effet des taux d'intérêt sur l'investissement
Étude des schémas de revenu par rapport à la consommation

Sciences sociales

Recherche pédagogique (heures d'étude par rapport aux notes)
Études psychologiques (âge par rapport au temps de réaction)
Démographie (population par rapport à la consommation de ressources)

Hypothèses de la régression linéaire

Pour des résultats fiables, la régression linéaire suppose :

Linéarité : La relation entre X et Y est linéaire
Indépendance : Les observations sont indépendantes les unes des autres
Homoscédasticité : Les résidus ont une variance constante pour toutes les valeurs X
Normalité : Les résidus sont approximativement distribués normalement
Pas de multicolinéarité : (Pour la régression multiple) Les variables indépendantes ne sont pas fortement corrélées

Questions fréquemment posées

Qu'est-ce que la régression linéaire ?

La régression linéaire est une méthode statistique utilisée pour modéliser la relation entre une variable dépendante (Y) et une variable indépendante (X) en ajustant une équation linéaire aux données observées. L'équation prend la forme Y = b₀ + b₁X, où b₀ est l'ordonnée à l'origine et b₁ est la pente. Elle trouve la meilleure ligne d'ajustement qui minimise la somme des carrés des différences entre les valeurs observées et prédites.

Comment j'interprète la pente en régression linéaire ?

La pente (b₁) représente le changement de la variable dépendante Y pour chaque augmentation d'une unité de la variable indépendante X. Une pente positive indique que Y augmente lorsque X augmente, tandis qu'une pente négative indique que Y diminue lorsque X augmente.

Qu'est-ce que le coefficient de détermination (R²) et que signifie-t-il ?

Le coefficient de détermination (R²), également appelé coefficient de détermination, mesure la qualité de l'ajustement de la ligne de régression aux données. Il varie de 0 à 1, où 0 signifie que le modèle n'explique aucune variabilité et 1 signifie qu'il explique toute la variabilité. Généralement, R² supérieur à 0,7 indique un bon ajustement.

Quelle est la différence entre la corrélation (r) et le coefficient de détermination (R²) ?

Le coefficient de corrélation (r) mesure la force et la direction de la relation linéaire, allant de -1 à +1. Le coefficient de détermination (R²) est r², représentant la proportion de variance expliquée. Alors que r vous indique la direction (relation positive ou négative), R² vous dit uniquement quelle proportion de variance est expliquée.

Combien de points de données ai-je besoin pour la régression linéaire ?

Techniquement, vous avez besoin d'au moins 2 points de données, mais pour une analyse statistique significative, vous devriez avoir au moins 10 à 20 points de données. Plus de points de données conduisent généralement à des estimations plus fiables.

Que sont les résidus en régression linéaire ?

Les résidus sont les différences entre les valeurs Y observées et les valeurs Y prédites (résidu = Y observé - Y prédit). L'analyse des résidus aide à évaluer la qualité de l'ajustement du modèle. Idéalement, les résidus doivent être dispersés aléatoirement autour de zéro sans schéma clair.

Comment prévoir une valeur à l’aide d’une équation de régression linéaire ?

Utilisez l’équation ajustée en remplaçant X par la valeur que vous souhaitez prévoir. Par exemple, si la droite est prédite Y = 12 + 3X, une valeur de X égale à 5 donne une valeur prédite de Y égale à 27. Saisir une valeur X facultative dans le calculateur de régression linéaire fournit une prédiction à partir de la droite calculée. Considérez-la comme une estimation et soyez prudent si la valeur X est très éloignée des valeurs de vos données : la tendance linéaire risque de ne pas se prolonger.

Pourquoi l’ordonnée à l’origine de ma régression est-elle négative alors que toutes mes mesures sont positives ?

L’ordonnée à l’origine correspond à la valeur de Y prédite par la droite lorsque X vaut zéro ; cette valeur peut être en dehors de la plage mesurée. Elle peut donc être négative même si toutes les valeurs observées de X et de Y sont positives. Par exemple, une droite ajustée à des mesures où X varie de 10 à 20 peut croiser l’axe des ordonnées sous zéro. C’est un élément mathématique de l’équation ajustée, qui peut avoir peu de sens pratique si X ne peut pas réellement être égal à zéro.

La régression linéaire peut-elle prouver que X provoque des changements de Y ?

Non. La régression linéaire décrit une association entre les données et permet d’effectuer des prédictions, mais la droite ajustée ne suffit pas à établir que la variation de X provoque celle de Y. Un facteur tiers, un biais de sélection ou la méthode de collecte des données peuvent expliquer une partie ou la totalité de la relation. Par exemple, les ventes de glaces et la pratique de la natation peuvent augmenter ensemble parce qu’elles sont toutes deux liées au temps chaud. Avant de tirer des conclusions causales, appuyez-vous sur un protocole d’étude adapté et sur vos connaissances du sujet.

Ressources supplémentaires

Citez ce contenu, cette page ou cet outil comme suit :

"Calculatrice de régression linéaire" sur https://MiniWebtool.com/fr/calculatrice-de-régression-linéaire/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe miniwebtool. Mise à jour : 17 jan 2026

API développeur disponible: Exécutez cet outil depuis votre app, automatisation ou agent avec une requête HTTP JSON. Voir la documentation API

Calculatrice de régression linéaire

Calculatrice de régression linéaire

Qu'est-ce que la régression linéaire ?

L'équation de régression

Comment calculer la régression linéaire

Calcul de la pente (b₁)

Calcul de l'ordonnée à l'origine (b₀)

Comprendre la corrélation et le coefficient de détermination

Coefficient de corrélation (r)

Coefficient de détermination (R²)

Comment utiliser cette calculatrice

Comprendre vos résultats

Résultats principaux

Statistiques supplémentaires

Applications de la régression linéaire

Commerce et finance

Science et recherche

Économie

Sciences sociales

Hypothèses de la régression linéaire

Questions fréquemment posées

Qu'est-ce que la régression linéaire ?

Comment j'interprète la pente en régression linéaire ?

Qu'est-ce que le coefficient de détermination (R²) et que signifie-t-il ?

Quelle est la différence entre la corrélation (r) et le coefficient de détermination (R²) ?

Combien de points de données ai-je besoin pour la régression linéaire ?

Que sont les résidus en régression linéaire ?

Comment prévoir une valeur à l’aide d’une équation de régression linéaire ?

Pourquoi l’ordonnée à l’origine de ma régression est-elle négative alors que toutes mes mesures sont positives ?

La régression linéaire peut-elle prouver que X provoque des changements de Y ?

Ressources supplémentaires

Statistiques et analyse de données:

Outils populaires et mis à jour:

Téléchargez tout en un seul ZIP avec Pro